La Real Academia de Ciencias de Suecia otorgó el Premio Nobel de Física 2024 al estadounidense John Hopfield y al británico Geoffrey Hinton por sus contribuciones en una disciplina fundamental de la inteligencia artificial (IA) llamada aprendizaje automático de máquinas o machine learning.
Thank you for reading this post, don't forget to subscribe!
Aunque las computadoras y máquinas no son capaces de pensar, pueden imitar funciones de los animales y humanos como la memoria y el aprendizaje, y a esto han contribuido los hoy galardonados con “descubrimientos e invenciones fundamentales que permiten el aprendizaje automático con redes neuronales artificiales”, según indica el fallo de la Academia.
Si bien esta disciplina se basa en el uso de conceptos y métodos fundamentales del campo de la física, utiliza elementos de la biología y su aplicación se ha multiplicado en todas las áreas que están revolucionando la ciencia, la ingeniería, la educación, el entretenimiento y la vida cotidiana.
Geoffrey Hinton (77 años), de la Universidad de Toronto, conocido como el padrino de la IA, inventó un método que permite a una máquina encontrar propiedades en los datos de forma autónoma replicando algunas funciones del cerebro humano en las computadoras, fundamental para las grandes redes neuronales.
“Soy alguien que no sabe muy bien en qué campo está, pero que le gustaría entender cómo funciona el cerebro. Y en mis intentos por entender cómo funciona el cerebro, he ayudado a crear una tecnología que funciona sorprendentemente bien”, dijo Hinton durante la llamada que realizó la Academia, para notificarle su galardón.
John Hopfield (91 años), de la Universidad de Princeton, fue uno de los primeros en idear una estructura de red neuronal artificial (RNA) que puede almacenar y reconstruir información. “Tenemos que reflexionar sobre cómo funciona la mente y para ello hay que empezar desde abajo”, dijo Hopfield en entrevista con la Academia Sueca.
Los métodos y conceptos pioneros desarrollados por Hopfield y Hinton han sido fundamentales para dar forma al campo de la inteligencia artificial. Con sus avances, han mostrado una forma completamente nueva para usar máquinas y computadoras, en todos los ámbitos de la sociedad.
Se condece el Nbel de física 2024 por sus “descubrimientos e invenciones fundamentales que permiten el aprendizaje automático con redes neuronales artificiales”: Real Academia de Ciencias de Suecia
Redes neuronales artificiales
El aprendizaje automático mediante redes neuronales artificiales se inspiró originalmente en la estructura de las conexiones neuronales del funcionamiento del cerebro, específicamente en las funciones biológicas básicas de las neuronas.
En investigaciones publicadas en la década de los 80, John Hopfield desarrolló una red que utiliza un método para guardar, procesar y recrear patrones, utilizando una característica de los materiales conocida como espín o giro atómico. Esta propiedad convierte a cada átomo en un pequeño imán; los espines de los átomos vecinos se afectan entre sí formando “dominios” con espín en una misma dirección. Así creó una red modelo, con nodos y conexiones, utilizando los conceptos de la física que describen los materiales cuando los espines se influyen entre sí.
Asimismo, la red neuronal artificial en lugar de neuronas usa “nodos” con diferentes valores que influyen en otros a través de conexiones de diferentes intensidades que pueden fortalecerse o debilitarse, de forma similar a las conexiones sinápticas de las neuronas, que reciben información de otras neuronas, la procesan y generan un valor de salida. De manera conjunta los nodos manipulan una gran cantidad de datos, identifican patrones y realizan cálculos.
Una de las primeras aplicaciones de estas redes, hace 40 años, fue el procesamiento de imágenes digitales. La red que construyó Hopfield almacenó valores de negro (0) o blanco (1), como los pixeles de una imagen. Cuando la red neuronal artificial recibe una imagen distorsionada o incompleta, trabaja metódicamente a través de los nodos y actualiza sus valores paso a paso, para encontrar la imagen guardada que se parezca más a la imagen imperfecta con la que se le alimentó.
Este método pueden guardar varias imágenes al mismo tiempo y la red puede diferenciarlas de acuerdo con los patrones con los que ha entrenado la red neuronal. Hopfield hizo una analogía de esta búsqueda cuando se hace rodar una pelota por un paisaje de picos y valles, con una fricción que ralentiza su movimiento. Si se deja caer la pelota en un lugar determinado, rodará hasta el valle más cercano y allí se detendrá. Si se le da a la red un patrón que se acerque a uno de los patrones guardados, seguirá avanzando siguiendo el patrón más cercano en su memoria, hasta llegar al fondo del valle.
Esta red se puede utilizar para recrear datos o recuperar información que contiene ruido o que se ha borrado parcialmente. Pero no solo recuerda la información, sino que también la interpreta como hacen los animales para identificar los distintos objetos. Aprenden a reconocer una presa, a experimentar el entorno que las rodea o a entender su comportamiento: es la memoria asociativa.
Con estas redes las máquinas aprenden a procesar patrones de manera similar, desde un aspecto muy básico a los humanos, pero aún los avances actuales de redes neuronales profundas y densas se encuentran muy lejos de la complejidad del diseño y el funcionamiento del cerebro humano.
Las redes neuronales son esenciales para todas las disciplinas de la inteligencia artificial, ya que incrementan sus capacidades de programación en sus algoritmos, y permiten procesar datos extremadamente complejos.
De hecho, los mayores avances de la IA son mas que una simplificación y abstracción de la enorme compeljidad del cerebro humano.
Las redes neuronales son esenciales para todas las disciplinas de la inteligencia artificial, ya que incrementan sus capacidades de programación en sus algoritmos, y permiten procesar datos extremadamente complejos.
Aprendizaje automático
Geoffrey Hinton utilizó la red de Hopfield como base para una nueva red que emplea un método diferente: la “máquina de Boltzmann”. Esta puede aprender a reconocer elementos característicos en un tipo especifico de conjunto datos.
Usó herramientas de la física estadística –la ciencia de los sistemas que están compuestos por muchos elementos similares, como los gases– para entrenar la red neuronal alimentándola con ejemplos que son memorizados, recordados y comparados.
Con una gran cantidad de datos e información de entrada, la “máquina de Boltzmann” puede clasificar imágenes o crear nuevos ejemplos con base en los patrones con las que fue entrenada. Hinton, considerado el padrino de la IA, contribuyó a iniciar el explosivo desarrollo actual del aprendizaje automático basado en redes neuronales artificiales.
Estos avances permiten el reconocimiento de patrones en imágenes, texto, sonido, idiomas, cálculos matemáticos y datos clínicos, entre muchos otros. Asimismo, ha sido la base de una gran variedad de técnicas y métodos que han permitido ampliar las subdisciplinas de la IA y sus aplicaciones.
El propio Hinton creó un algoritmo de aprendizaje aproximado eficiente –llamado “divergencia contrastiva” –, mucho más rápido que la máquina de Boltzmann, y desarrolló un procedimiento de preentrenamiento para redes más complejas, como las redes multicapa, en el que las capas se entrenan una por una utilizando algoritmos de retropropagación.
Numerosas aplicaciones
En los documentos sobre el fallo del Premio Nobel de Fisica 2024, la Academia Sueca enfatiza que la forma en que se utilice la increíblemente poderosa herramienta de la IA depende de cómo los humanos elijamos utilizarla.
Desde hace años, cada vez son menos los campos de la actividad humana donde no se usa la IA. En la ciencia, por ejemplo, el aprendizaje automático se ha usado para filtrar y procesar las enormes cantidades de datos necesarios para descubrir la partícula de Higgs, para la reducción del ruido en las mediciones de las ondas gravitacionales de los agujeros negros o la búsqueda de exoplanetas.
También se ha utilizado para calcular y predecir las propiedades de las moléculas y los materiales, como por ejemplo, calcular la estructura de proteínas, que determina su función, o para nuevas versiones de un material con mejores propiedades para su uso en celdas solares más eficientes.
En casi todas las ramas de la física se le utiliza como herramienta poderosa para el modelado, por ejemplo, para problemas de muchos cuerpos de mecánica cuántica, la física de partículas o el análisis de las fuerzas interatómicas. En química se estudian las transiciones de fase, así como las propiedades termodinámicas del agua.
También se han alcanzado resoluciones más altas en modelos climáticos complejos. En astrofísica y astronomía, se ha convertido en una herramienta estándar de análisis de datos, como la detección de neutrinos o el procesamiento de la primera imagen real de un agujero negro obtenida por Event Horizon Telescope, por mencionar un ejemplo.
En medicina, la IA es fundamental el procesamiento de imágenes de detección mamográfica para el cáncer de mama.
En la vida cotidiana ahora prácticamente todo mundo puede utilizarla para traducir textos en diferentes idiomas, interpretar imágenes o incluso, para mantener conversaciones razonables con una computadora.
Y las bases de todo ello se lo debemos a los galardonados hoy, con el Premio Nobel de Física 2024, pero no que no está libre de riesgo como el propio Hinton señala: “creo que estamos en una especie de punto de bifurcación en la historia en el que en los próximos años tendremos que averiguar si hay una manera de lidiar con esa amenaza (de que la IA se salga de control). Por lo tanto, creo que es muy importante que ahora la gente esté trabajando en la cuestión de cómo mantendremos el control. Necesitamos dedicar mucho esfuerzo de investigación al respecto. Creo que una cosa que los gobiernos pueden hacer es obligar a las grandes empresas a invertir muchos más recursos en investigación de seguridad”.
Más información:
Otorgan el Premio Nobel de Medicina 2024 al descubrimiento de los microARN
De profesora asistente a Nobel de Medicina 2023
Machismo en los Nobel y en la ciencia
La química “clic” gana el Premio Nobel de Química 2022
